論文の概要: BEVMAPMATCH: Multimodal BEV Neural Map Matching for Robust Re-Localization of Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2603.25963v1
• Date: Thu, 26 Mar 2026 23:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.310158
• Title: BEVMAPMATCH: Multimodal BEV Neural Map Matching for Robust Re-Localization of Autonomous Vehicles
• Title（参考訳）: BEVMAPMATCH: 自律走行車のロバスト再ローカライズのためのマルチモーダルなBEVニューラルマップマッチング
• Authors: Shounak Sural, Ragunathan Rajkumar,
• Abstract要約: 本稿では,BEVMapMatchを提案する。 私たちのコードとデータはhttps://github.com/ssuralcmu/BEVMapMatch.git.comで公開されます。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localization in GNSS-denied and GNSS-degraded environments is a challenge for the safe widespread deployment of autonomous vehicles. Such GNSS-challenged environments require alternative methods for robust localization. In this work, we propose BEVMapMatch, a framework for robust vehicle re-localization on a known map without the need for GNSS priors. BEVMapMatch uses a context-aware lidar+camera fusion method to generate multimodal Bird's Eye View (BEV) segmentations around the ego vehicle in both good and adverse weather conditions. Leveraging a search mechanism based on cross-attention, the generated BEV segmentation maps are then used for the retrieval of candidate map patches for map-matching purposes. Finally, BEVMapMatch uses the top retrieved candidate for finer alignment against the generated BEV segmentation, achieving accurate global localization without the need for GNSS. Multiple frames of generated BEV segmentation further improve localization accuracy. Extensive evaluations show that BEVMapMatch outperforms existing methods for re-localization in GNSS-denied and adverse environments, with a Recall@1m of 39.8%, being nearly twice as much as the best performing re-localization baseline. Our code and data will be made available at https://github.com/ssuralcmu/BEVMapMatch.git.
• Abstract（参考訳）: GNSSおよびGNSSの劣化した環境におけるローカライゼーションは、自動運転車の安全な展開にとっての課題である。 このような GNSS 対応環境は、ロバストなローカライゼーションのための代替手法を必要とする。 本研究では,GNSS前処理を必要とせずに,既知の地図上にロバストな車両再配置を行うフレームワークであるBEVMapMatchを提案する。 BEVMapMatchは、コンテクストを意識したLidar+camera融合法を用いて、良質な気象条件と悪質な天候条件の両方で、エゴ車両の周囲のマルチモーダルバードアイビュー(BEV)セグメンテーションを生成する。 クロスアテンションに基づく検索機構を利用して、生成されたBEVセグメンテーションマップを使用して、マップマッチング目的の候補マップパッチの検索を行う。 最後に、BEVMapMatchは、生成したBEVセグメンテーションに対してより詳細なアライメントのために検索された上位候補を使用し、GNSSを必要とせずに正確なグローバルローカライゼーションを実現する。 生成されたBEVセグメンテーションの複数のフレームは、さらにローカライズ精度を向上させる。 大規模な評価によると、BEVMapMatchは、GNSSが定義した悪環境における再ローカライゼーションの方法よりも、39.8%のRecall@1mが優れており、最も優れた再ローカライゼーションベースラインの2倍近い。 私たちのコードとデータはhttps://github.com/ssuralcmu/BEVMapMatch.git.comで公開されます。

関連論文リスト

• Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
  本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。 我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
  論文  参考訳（メタデータ） (2026-03-23T16:17:39Z)
• B$^2$F-Map: Crowd-sourced Mapping with Bayesian B-spline Fusion [9.192183071584381]
  クラウドソースマッピングは,従来の調査車両を使用したマップ作成に代わる,スケーラブルな代替手段を提供する。 本稿では,単眼カメラ,コンシューマグレード,IMUのみを搭載した生産車を用いた,HDマップ生成のための完全なパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-02T10:01:00Z)
• VQ-Map: Bird's-Eye-View Map Layout Estimation in Tokenized Discrete Space via Vector Quantization [108.68014173017583]
  Bird's-eye-view (BEV) マップのレイアウト推定には、エゴ車の周囲の環境要素のセマンティクスを正確に完全に理解する必要がある。 本稿では,Vector Quantized-Variational AutoEncoder (VQ-VAE) に似た生成モデルを用いて,トークン化された離散空間における高レベルのBEVセマンティクスの事前知識を取得することを提案する。 得られたBEVトークンには,異なるBEV要素のセマンティクスを包含したコードブックが組み込まれているため,スパースバックボーン画像特徴と得られたBEVトークンとを直接一致させることができる。
  論文  参考訳（メタデータ） (2024-11-03T16:09:47Z)
• U-BEV: Height-aware Bird's-Eye-View Segmentation and Neural Map-based Relocalization [81.76044207714637]
  GPS受信が不十分な場合やセンサベースのローカライゼーションが失敗する場合、インテリジェントな車両には再ローカライゼーションが不可欠である。 Bird's-Eye-View (BEV)セグメンテーションの最近の進歩は、局所的な景観の正確な推定を可能にする。 本稿では,U-NetにインスパイアされたアーキテクチャであるU-BEVについて述べる。
  論文  参考訳（メタデータ） (2023-10-20T18:57:38Z)
• EgoVM: Achieving Precise Ego-Localization using Lightweight Vectorized Maps [9.450650025266379]
  本稿では,従来の最先端手法に匹敵するローカライズ精度を実現するエンド・ツー・エンドのローカライズネットワークであるEgoVMを提案する。 我々は、学習可能なセマンティック埋め込みを用いて、マップ要素のセマンティックタイプを符号化し、セマンティックセマンティックセグメンテーションでそれらを監督する。 本研究では,頑健なヒストグラムに基づくポーズ解法を用いて,候補ポーズを徹底的に探索することで最適なポーズを推定する。
  論文  参考訳（メタデータ） (2023-07-18T06:07:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。